共查询到20条相似文献，搜索用时 15 毫秒
1.
基于近红外光谱技术的农作物病害诊断 总被引：2，自引：0，他引：2
利用近红外光谱诊断农作物病害是近几年兴起的一种具有高效、准确和非破坏性的技术。为此,阐述了近红外光谱诊断农作物病害的原理;介绍了处理近红外光谱数据的关键技术以及建立光谱模式识别模型的方法;报告了近红外光谱技术在农作物病害诊断中的应用现状;提出了运用近红外光谱技术诊断农作物病害存在的难点;最后,指出了一些研究中有待解决的问题。 相似文献
2.
农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有：公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望：如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。 相似文献
3.
基于SVM的小麦叶部病害识别方法研究 总被引：2，自引：0，他引：2
为了准确识别小麦叶部常见病害,为小麦病情诊断和发展状况判断提供科学依据,设计并实现了一种基于SVM(Support Vector Machine)的小麦叶部常见病害识别方法。该方法可以实现对小麦白粉病、条锈病和叶锈病的准确识别。首先,基于中值滤波法和K均值聚类算法,实现了图像的去噪及病斑分割;然后,提取了病斑区域形状特征和纹理特征;最后,利用SVM算法对小麦叶部病害进行了分类识别。随机试验结果表明,利用所提取的特征可以有效地实现小麦叶部常见病害的识别,基于形状特征的综合识别率可达99.33%;利用SVM算法进行小麦病害叶片识别是有效的、可行的。该方法对于农作物病害智能识别的推广具有较好的借鉴意义。 相似文献
4.
5.
农作物病害种类繁多,直接影响农作物的产量和品质,造成不可估量的损失.利用图像处理和模式识别技术简便、快速的识别农作物病害,为及时采取防治措施提供必要信息.为此,对图像处理在农作物的病害识别进行全面地论述.首先简单地介绍了图像处理在农作物病害识别中的重要性和概述,然后分别从国外和国内两个方面论述图像处理在农作物病害识别中的进展,最后指出了当今国内外研究中存在的问题和今后进一步研究的方向. 相似文献
6.
现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够，且提取的农作物病害图像显著性特征大多不足，为了更加有效地提取农作物病害图像中的判别特征，提高农作物病害识别精度，提出一种基于多层信息融合和显著性特征增强的农作物病害识别网络(Crop disease recognition network based on multi-layer information fusion and saliency feature enhancement, MISF-Net)。MISF-Net主要由ConvNext主干网络、多层信息融合模块、显著性特征增强模块组成。其中，ConvNext主干网络主要用于提取农作物病害图像的特征；多层信息融合模块主要用于提取和融合主干网络浅层、中层、深层特征中的判别信息；显著性特征增强模块主要用于增强农作物病害图像中的显著性判别特征。在农作物病害数据集AI challenger 2018及自制数据集RCP-Crops上的实验结果表明，MISF-Net的农作物病害识别准确率分别达到87.84%、95.41%,F1值分别达到87.72%、95.... 相似文献
7.
8.
大豆病害诊断是有效防治的先决条件。为此,针对传统BP神经网络在处理高维大豆病害数据时存在的时间复杂度高、诊断准确率低以及误差收敛缓慢且容易出现震荡现象的问题,提出了一种改进方法。该方法首先对高维大豆病害数据进行特征选择,去除"贡献"较小的特征,实现数据降维;然后,对传统BP算法进行改进,根据输出误差动态调整学习速率,并使用改进后的算法建立大豆病害检测模型。经实验测试,该方法在大豆病害诊断测试中准确率达96%以上,且各项统计指标、误差收敛速度及平稳性均优于传统BP神经网络,证明了其可靠性和高效性。 相似文献
9.
10.
树木病害的监测与诊断是森林保护和城市绿化管理的重要组成部分。随着全球气候变化和城市化进程的加快,树木病害问题日益严重,对生态系统和人类生活产生了重大影响。因此,发展高效、准确的树木病害监测与诊断技术显得尤为重要。目前,树木病害监测与诊断主要依赖于传统的目视观察和实验室分析方法,这些方法耗时费力且容易受到主观因素的影响。为了克服这些局限性,研究人员开始探索应用先进的传感器技术、机器学习算法和无人机遥感等创新方法。这些技术可以实现树木病害的早期检测、快速诊断和大范围监测,提高监测与诊断的效率和准确性。本文论述了树木病害监测与诊断领域的技术创新,探讨了现有技术的局限性并提出解决方案,展望未来的发展趋势。 相似文献
11.
互联网是一个巨大的资源库,也是一个丰富的知识库。针对农作物小样本引起的过拟合问题,本研究引入了知识迁移和深度学习的方法,采用互联网公开的ImageNet图像大数据集和PlantVillage植物病害公共数据集,以实验室的黄瓜和水稻病害数据集AES-IMAGE为对象开展相关的研究与试验。首先将批归一化算法应用于卷积神经网络CNN中的AlexNet和VGG模型,改善网络的过拟合问题;再利用PlantVillage植物病害数据集得到预训练模型,在改进的网络模型AlexNet和VGG模型上用AES-IMAGE对预训练模型参数调整后进行病害识别。最后,使用瓶颈层特征提取的迁移学习方法,利用ImageNet大数据集训练出的网络参数,将Inception-v3和Mobilenet模型作为特征提取器,进行黄瓜和水稻病害特征提取。本研究结合试验结果探讨了适用于农作物病害识别问题的最佳网络和对应的迁移策略,表明使用VGG网络参数微调的策略可获得的最高准确率为98.33%,使用Mobilenet瓶颈层特征提取的策略可获得96.8%的验证准确率。证明CNN结合迁移学习可以利用充分网络资源来克服大样本难以获取的问题,提高农作物病害识别效率。 相似文献
12.
基于图像处理和BP神经网络的玉米叶部病害识别 总被引：1，自引：0，他引：1
为快速诊断识别玉米叶部病害,及时采取防治措施,提高玉米产量,本文将图像处理技术和BP神经网络算法引入到玉米叶部病害识别诊断中。对田间采集的玉米叶部病害样本图像进行背景去除、灰度化处理、阈值分割、噪声去除等预处理操作,实现叶部病害图像的分割;通过提取病害图像颜色特征和形状特征的17个参量,作为BP神经网络的输入,实现了玉米叶部常见六种病害的分类识别。实验结果表明,6种玉米叶部病害的平均识别率为93.4%,取得较好的识别效果,具有一定的实用价值。 相似文献
13.
大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。 相似文献
14.
农业主要病害检测与预警技术研究进展分析 总被引：17，自引：0，他引：17
农作物病害一直以来是制约农业可持续发展的主要因素之一,农业病害预警逐渐成为国内外研究的热点问题。在总结和整理现有国内外研究文献的基础上,对物联网和传感器、3S、光谱、病原微生物检测等农业病害预警信息获取关键技术以及病害图像处理、病害预警专家系统、病害预测等农业病害预警信息处理技术进行了系统的分析与讨论。综述结果表明,多种技术的结合、集成及融合将使农业病害预警的覆盖面更广,预警准确性更高;农业病害预警信息获取方式在向精确化、广泛化方向发展;对农业病害的短期预警将成为一个研究重点;农业病害早期/初期检测、诊断与预警会成为新的发展方向;农业病害预警系统及装备将朝着低成本化方向发展;实时在线的农业病害自动预警方式具有更大的实际意义。 相似文献
15.
本文围绕农作物病害和虫害检测识别，首先对数据集进行了筛选以剔除不相关数据，其次提出了基于深度神经网络方法的农作物病虫害检测识别算法。实验结果表明此方法对于各类病虫害检测准确率达到93.45%。节约病虫害防治等农业风险管控的人力成本和物资成本，大幅降低因自然灾害而带来的风险和损失，每年可为农户减少因病虫害带来的损失达10%～15%左右。 相似文献
17.
由“植物诊所”形成的电子病历为作物病害处方推荐提供了新的思路。如何高效地挖掘电子病历数据并辅助作物病害处方推荐,目前还是亟待解决的研究热点问题。在总结和整理现有国内外研究文献的基础上,对基于显微图像的作物病害病菌孢子识别、基于光谱的作物病害诊断、基于电子病历的作物病害处方推荐等作物病害诊断与处方推荐关键技术进行了系统分析与讨论。综述结果表明,围绕作物病害病菌侵染过程,以智能化处方推荐需求为导向,开展基于电子病历数据挖掘的作物病害处方推荐研究,将成为一个研究重点。针对作物病害处方推荐过程中,存在由于作物病害致病机理复杂、作物品种及病害种类多、病害病症动态变化且特征多等特点和难点,研究基于电子病历数据挖掘的作物病害致病机理解析、诊断推理、智能化处方推荐及其应用策略,将是研究的重大方向;探索基于知识图谱分析、大数据挖掘和机器学习算法推理等关键技术的作物病害电子病历数据挖掘分析研究,从区域宏观视角可视化解析作物病害致病机理及其与特征间的关联关系,面向实际应用场景实现基于诊断推理的单一作物病害处方推荐、基于语义匹配的多种作物多种病害处方推荐,具有更大的实际意义。 相似文献
18.
随着农作物病虫害研究文献的快速增长,对农作物病虫害领域文献进行文本挖掘变得越来越重要。开发有效、准确的农作物病虫害命名实体识别系统有助于在农作物病虫害相关研究报告中提取研究成果,为农作物病虫害的治理提供有效建议。本文针对中文农作物病虫害数据集缺失问题,提出了基于半远程监督的停等算法,利用该算法构建中文农作物病虫害领域语料库,大幅度减少标注过程的人工成本和时间成本;同时,提出了中文农作物病虫害命名实体识别模型（Agricultural information extraction, Agr-IE）,该模型基于BERT-BILSTM-CRF,辅以多源信息融合（多源分词信息和全局词汇嵌入信息）丰富字符向量,使其充分结合字符级与词汇级的信息,以提高模型捕捉上下文信息的能力。实验表明,该模型可以有效地识别病害、虫害、药剂、作物等实体,F1值分别为96.56%、95.12%、94.48%、95.54%,并对识别难度较大的病原实体具有较好的识别效果,F1值为81.48%,高于BERT-BILSTM-CRF、BERT等模型的相应值。本文所提模型在MSRA和Weibo等其他领域数据集上与CAN-NER、Lattice-LSTM-CRF等模型进行了对比实验,并取得最佳的识别效果,F1值分别为95.80%、94.57%,表明该算法具有一定的泛化能力。 相似文献
19.
深度学习在农作物病害图像识别中的研究进展 总被引：1，自引：0，他引：1
农作物病害识别关乎作物的产量与质量,是智慧农业发展过程中必不可少的重要环节。随着深度学习技术在图像处理领域的飞速发展,利用深度学习从图像中识别出农作物患病类型的方法已逐渐成为主流。主要对基于深度学习的农作物病害识别方法进行综述,简要地介绍深度学习和卷积神经网络,收集一些常用的病害图像公开数据集。根据训练样本采集环境的不同,从实验室和野外两个方面概述近年来基于深度学习病害识别方法的进展,指出每种方法的优势与不足,总结出该研究领域存在数据量不足、任务难度大、深度学习模型网络结构复杂3个主要问题,并在此基础上进行展望,提出建立大规模、多种类、多类型病害数据库和设计高性能的深度学习模型是未来的重要发展方向。 相似文献